{
  "id": "side-channel-attack",
  "title": "侧信道攻击",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "侧信道攻击通过系统运行时的时序、物理辐射或共享资源效应，而非预期输出，推断敏感信息。",
  "category": "computer-science",
  "subcategory": "networks-security",
  "type": "concept",
  "aliases": [
    "旁路攻击",
    "旁信道攻击"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/side-channel-attack/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/side-channel-attack/",
      "json": "https://aiwiki.page/en/side-channel-attack.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "侧信道攻击通过观察系统运行时产生的、原本无意透露敏感信息的现象来获取这些信息。这类现象包括执行时间、电力消耗、电磁辐射、声音、内存访问模式以及网络消息长度。例如，某个密码算法的实现可能返回数学上正确的密文，却通过物理行为或计算行为的变化，无意间泄露有关其密钥的信息。\n\n侧信道攻击之所以重要，是因为算法本身的安全性并不能保证其实现的安全性。即使采用了安全性很强的密码学技术、正确实施了权限控制，并将软件进程相互隔离，信息仍可能通过硬件或可观察到的应用程序行为泄露。因此，这一课题横跨电子工程、处理器设计、软件开发、统计推断和网络安全等领域。\n\n侧信道攻击涵盖了对攻击者能力要求各不相同的多种攻击。有些攻击需要在设备旁使用实验室仪器；另一些则只需在同一处理器上运行一个无特权程序，或通过远程网络连接即可实施。它们的共同点是根据非预期的可观察现象推断受保护的信息，而不是直接访问受保护的数据。"
    },
    {
      "heading": "安全边界与泄漏模型",
      "text": "如果计算过程中某个可观测特征取决于安全策略旨在保护的信息，就存在侧信道。例如，加密服务的预期输出可能是密文，但其响应时间也提供了一项额外的观测信息。如果响应时间取决于密钥或明文，而且观察者能够将这种依赖关系与无关的波动区分开来，那么时序就与安全有关。并非所有可测量的差异都能被利用：只有在现实的观测条件下能够揭示有用信息的差异，才具有可利用性。\n\n威胁模型规定了攻击者能够观测、控制和重复执行哪些操作。其中的重要区别包括：物理访问与远程访问、被动观测与选择输入查询，以及单次执行与使用同一秘密信息的多次执行。能够选择明文并记录数千条功耗轨迹的攻击者，与只能观测一次加密流量的攻击者，能力并不相同。攻击者是否了解具体实现、能否运行类似设备，以及能否与目标同时运行软件，也会影响分析。\n\n一种简单的泄漏模型将观测值表示为\n\n\\[L=f(S,X,R)+N,\\]\n\n其中，\\(S\\) 是秘密信息，\\(X\\) 表示公开输入或由攻击者控制的输入，\\(R\\) 表示内部随机性，\\(N\\) 表示测量噪声和无关活动。函数 \\(f\\) 描述计算与观测之间的关系。攻击试图通过对 \\(L\\) 的一次或多次测量，推断出 \\(S\\) 或其某些属性。完整恢复密钥只是可能的结果之一；识别访问过的网站、区分两种操作，或获知几个秘密比特，也可能违背安全目标。\n\n侧信道与隐蔽信道虽然相关，但有所区别。隐蔽信道由相互协作的各方有意使用，以跨越本应阻止通信的边界传递信息。侧信道通常是观察者从并不配合的目标那里获取信息。同一种共享处理器资源可以支持这两种机制。缓存可能无意中暴露受害者的活动，也可能被两个相互协作的程序刻意操纵，用来交换信息。\n\n故障攻击是另一类相近的攻击。它通过电压或时钟扰动等方式，故意干扰计算，并利用由此产生的错误。侧信道攻击则可以仅进行观测，尽管它也可能主动选择输入或影响调度。混合攻击将干扰与观测结合起来。这些区别很重要，因为保密性、计算正确性和隔离性需要不同的防护措施：设备可能在给出正确结果的同时泄露秘密，也可能抵御被动测量，却仍然容易受到人为诱发故障的攻击。"
    },
    {
      "heading": "历史发展",
      "text": "这一问题早于现代密码软件出现。机械和电气设备可能通过运动、声音及电磁辐射暴露内部活动。20 世纪，针对泄密辐射的研究证实，电子信息处理设备可能发出与其所处理信息相关的信号。TEMPEST 这一代号逐渐与此类辐射的调查和防护措施联系在一起。这段历史将当代针对实现的攻击，与如何保护预期通信信道之外的信息这一更早的问题联系起来。\n\n维姆·范埃克（Wim van Eck）于 1985 年发表了关于视频显示设备电磁辐射的论文，公开演示了如何利用非预期辐射重建显示内容，引起广泛关注。其意义不在于揭示了某种加密算法的弱点，而在于说明普通电子设备在运行时就可能泄露信息。后来的显示技术和接口改变了具体技术细节，但根本的安全问题始终未变：能否利用可观测的物理信号重建受保护的内容。\n\n面向软件的攻击领域的一项重大进展，来自保罗·科赫（Paul Kocher）于 1996 年发表的关于计时攻击的论文。该论文展示了密码运算的执行时间差异如何暴露秘密信息。其中重要的概念突破在于，攻击者不必求解底层的数学难题，而可以通过测量，揭示某个具体实现如何处理依赖秘密的中间值。因此，即便算法建立在困难的数论问题之上，也可能因其实现的行为而被攻破。\n\n科赫、约书亚·贾菲（Joshua Jaffe）和本杰明·朱恩（Benjamin Jun）于 1999 年公开介绍了差分功耗分析。他们的研究表明，即使单条功耗轨迹噪声很大，对大量功耗测量结果进行统计处理，仍可能揭示密码系统中的秘密。智能卡和嵌入式安全设备成为主要目标，因为这些设备在使用长期不变的密钥反复执行运算时，其电气行为可以被测量。此后，抵御侧信道攻击成为支付卡、安全元件及其他密码硬件设计中的重要考量。\n\n进入 21 世纪的头十年后，研究关注点扩展到了处理器缓存和远程服务。戴维·布鲁姆利（David Brumley）和丹·博内（Dan Boneh）于 2003 年展示了针对基于 OpenSSL 的服务器的实用远程计时攻击。达格·阿尔内·奥斯维克（Dag Arne Osvik）、阿迪·沙米尔（Adi Shamir）和埃兰·特罗默（Eran Tromer）于 2006 年发表的缓存攻击研究，进一步确立了共享处理器资源可能暴露加密活动这一认识。随后，Spectre 和 Meltdown 于 2018 年 1 月公开披露，使瞬态执行攻击受到广泛关注。这一发展过程将该领域从专门的物理测量，拓展到了通用处理器、浏览器和云平台内部的安全边界。"
    },
    {
      "heading": "作为信息通道的执行时间",
      "text": "计时攻击利用秘密信息与操作耗时之间的关联。最简单的概念性例子是一个在遇到首个不相同字符时便停止的比较例程。其运行时间可能取决于相同前缀的长度。如果这一比较用于保护某个秘密，而且攻击者能够进行足够精确的测量，那么这种关联就可能泄露超出预期成功或失败结果之外的信息。实际能否利用这种泄露，取决于噪声、速率限制、实现细节，以及攻击者重复测量的机会。\n\n密码运算中的计时泄露往往更为隐蔽。RSA密码系统中的模幂运算可能根据指数位的不同而执行不同的操作。当中间值需要进行模约减、进位处理或规范化时，算术例程可能采取不同的执行路径。在椭圆曲线实现中，标量乘法可能通过依赖秘密值的分支或特殊情形泄露信息。如果指令、内存访问或底层算术运算的行为存在变化，那么即便高层迭代次数固定，也不能保证执行时间固定。\n\n中央处理器还会带来更多复杂因素。指令延迟、分支预测、缓存未命中，以及对执行资源的争用，都可能影响实际耗时。因此，两条在源代码层面看起来长度相同的执行路径，从外部观测时未必等价。反过来，指令层面上的微小差异可能无法通过单次测量辨别，却能在大量样本中通过统计显现出来。因此，计时攻击关注的往往是执行时间的分布，而非单一、确定的时长。\n\n远程计时测量包含网络、服务器调度和其他客户端带来的延迟。这些因素并不会自动消除泄露。如果依赖秘密值的差异在重复请求中持续存在，统计分析有时就能将其与无关的波动区分开来。不过，在高分辨率测量和受控执行条件下可行的本地攻击，并不意味着经由互联网也能实施切实可行的攻击。信号的大小与稳定性、可用的查询次数以及网络条件，都必须分别评估。\n\n常数时间编程通过在规定的执行模型内避免依赖秘密值的控制流、内存地址和延迟可变的操作，来应对这类泄露。“常数时间”通常并不意味着每次调用所观测到的耗时都精确到纳秒完全相同。中断和调度仍然可能引起变化。它所追求的性质是：这些变化不依赖于受保护的值。密码学盲化提供了一种互补技术：通过随机变换，减弱依赖秘密值的算术运算与外部可观测耗时之间的关联。其有效性取决于随机性的引入方式，以及后续操作是否会泄露变换后的值。"
    },
    {
      "heading": "功耗与电磁辐射",
      "text": "电子电路在切换状态、为电容充电以及驱动信号时都会消耗能量。其功耗部分取决于正在处理的数据和执行的操作。功效分析攻击通过测量来观察这种行为，通常记录为随时间变化的一系列电压或电流采样值。有些测量可以揭示整体的运行结构，例如算术运算例程之间的边界；另一些则需要借助统计分析，才能检测出与数据相关的微弱效应。\n\n简单功耗分析解读单条迹线或少量迹线中的特征。如果两种操作具有可区分的电气特征，而操作顺序又取决于某个秘密值，那么迹线就可能泄露这一顺序。差分功耗分析则根据对中间值的假设，将测量结果分组并进行比较。正确的假设可能使各组测量结果在处理相应中间值的时刻呈现统计上的差异。这种方法的威力在于综合大量微弱的观测信息，而不要求每条迹线都直接泄露秘密。\n\n相关功耗分析使用模型来描述数据与实测功耗之间的关系。两种常见模型是汉明重量，即一个值中置为 1 的比特数，以及汉明距离，即两个值之间发生变化的比特位置数。如果模型能够足够准确地预测测得的泄漏信息，就可以利用相关性对候选秘密值进行排序。这些模型只是近似描述：实际泄漏取决于电路结构、状态转换、布线、实现工艺和测量位置。\n\n电磁侧信道观测的是电活动产生的场，而不是测量电源的总功耗。将探头放在芯片或电路板某个特定部位附近，有时能够获得比功耗测量更具局部针对性的信息。电磁观测也可能在没有直接电气接触的情况下进行。其探测范围和分辨率在很大程度上取决于设备、屏蔽措施、频率成分、探头几何形状以及周围的干扰；不能假定实验室中的结果在任意距离下都成立。\n\n物理测量结果需要谨慎解读。时钟变化、温度、中断或随机化执行都可能导致迹线漂移。对齐和滤波可以使相关特征更易于分析，但预处理也可能引入伪影。剖析攻击先利用秘密值已知的同类设备的测量数据建立统计模型，再分析目标设备。模板攻击是其中一个典型例子，而机器学习方法则可以学习更复杂的关系。在这两种情况下，用于剖析的设备与目标设备之间的差异都可能显著降低攻击效果。"
    },
    {
      "heading": "缓存及其他共享微架构资源",
      "text": "处理器的体系结构接口规定软件应当观察到什么结果，而微架构则决定如何产生这些结果。缓存、预测器、执行单元和缓冲区能够提升性能，但也会保留可能取决于先前计算的状态。即使软件无法直接读取另一个程序的内存，仍可能通过观察这些结构，推断该程序的某些活动。因此，微架构信息泄漏对操作系统或虚拟机所实施的隔离构成了挑战。\n\nCPU 缓存以缓存行为单位存储最近访问过的内存数据。访问已缓存的数据通常比从存储层次结构中更远的层级获取数据更快。如果秘密数据决定了受害程序访问哪些地址，这些访问就可能留下可区分的缓存状态。高级加密标准基于查表的实现曾是这一问题的典型例子：查表索引可能取决于公开输入与秘密密钥材料组合后得到的值。\n\n两类得到广泛研究的缓存侧信道攻击是 Prime+Probe 和 Flush+Reload。在 Prime+Probe 中，观测方先用自己的数据填满选定的缓存组，随后测量这些数据是否已被替换出去。由此得到的模式可为判断受害程序如何使用这些缓存组提供线索。相比之下，Flush+Reload 会先设法使与受害程序共享的内存行不在缓存中，再观察访问这些内存行所需的时间。这两种方法的前提条件和分辨率各不相同；共享物理页是传统 Flush+Reload 的关键条件，而 Prime+Probe 通常不需要这一条件。\n\n相关资源并不只有缓存。分支预测器可以保留有关控制流的信息。转译后备缓冲区可以暴露地址转换的模式。对执行端口的争用可以揭示另一个线程使用了哪些类别的指令。在某些环境中，即使内存内容受到保护，特权观测方仍能通过可见的缺页异常获知粗粒度的内存访问模式。这些观测在空间分辨率、时间分辨率以及对特定处理器特性的依赖程度上各有不同。\n\n云计算使这些问题尤为重要，因为彼此不信任的工作负载可能使用同一台物理机器。虚拟化能够隔离体系结构状态，但共享硬件仍可能被观测。实际攻击仍需要合适的部署位置、调度条件、测量手段和足够的信号强度；共用一台服务器本身并不意味着能够成功提取信息。因此，防御措施取决于具体资源和隔离边界：缓存分区可以应对某些缓存交互，而调整调度方式可能缓解同时运行所产生的资源争用，却无法消除跨时间片留存的状态。"
    },
    {
      "heading": "瞬态执行：Spectre、Meltdown 及相关机制",
      "text": "现代处理器往往在尚未确定是否需要指令结果时，就开始执行指令。推测执行通过预测控制流或其他依赖关系，让执行单元保持忙碌。如果预测被证实有误，处理器就会丢弃误预测路径上指令的架构层面结果。过去，这种回滚并不一定会消除对缓存及其他微架构结构的所有影响。因此，一段从未在架构层面完成执行的指令序列，仍可能留下可观测的痕迹。\n\n瞬态执行攻击通常结合两个要素。首先，瞬态指令访问了在相应安全上下文中本不应可用的数值或计算过程。其次，这些指令将有关该数值的信息编码到可观测的机器状态中。随后，攻击者便可能通过缓存计时测量还原这些信息。侧信道充当观测机制，而瞬态执行行为则提供了一种途径，能够产生依赖于秘密的状态；正常的架构层面执行并不允许产生这种状态。\n\n2018 年 1 月公开披露的 Spectre 描述了一类攻击：攻击者通过影响推测行为，使受害程序在瞬态执行期间执行偏离其预期逻辑的操作。例如，边界检查最终可能拒绝某次访问，但处理器却已经通过推测执行越过了这项检查。这里的关键安全问题在于，程序在架构层面有效的行为，并不能完整反映推测执行期间暴露的信息。Spectre 涵盖多个变种，各自涉及不同的预测机制和前提条件，并非一种单一、统一的漏洞。\n\n同期披露的 Meltdown 则揭示了受影响处理器上的另一种失效模式。在特定条件下，受架构层面权限检查约束的数据，可能在访问被阻止之前就影响瞬态计算。随后，攻击者便可通过侧信道推断出这些数据。尽管 Spectre 和 Meltdown 都涉及瞬态执行及可观测的微架构效应，但两者跨越的安全边界和底层处理器行为并不相同，因此也需要采用不同的软硬件缓解措施组合。\n\n缓解措施包括推测执行屏障、调整间接分支的处理方式、隔离某些地址映射、预测器控制，以及重新设计处理器。内核页表隔离成为应对最初 Meltdown 问题的重要措施，而编译器和运行时的改动则用于应对部分 Spectre 攻击模式。没有任何单一措施能够覆盖所有瞬态执行机制。后续研究考察了更多缓冲区、预测器和数据流行为，因此有必要区分某项防御措施声明的适用范围，与“推测执行是安全的”这种笼统断言。当瞬态执行可能引入架构层面执行路径中不存在的访问时，也需要重新审视常数时间源代码。"
    },
    {
      "heading": "网络、协议与应用层面的观测",
      "text": "即使攻击者不与目标共享硬件，侧信道也可能存在。远程服务会暴露响应时间、消息大小、连接模式和错误行为。加密在其安全假设成立时能够保护消息内容，但未必能隐藏消息的数量、长度或时序。这些可观测属性构成了元数据，无需直接揭示底层明文，也可能暴露活动情况。\n\n流量分析利用这类模式来推断通信的特征。一系列加密数据包的大小和时序，可能有助于区分所访问的网站、应用中的操作或通信活动的规律。网站指纹识别研究通常评估观察者能否根据加密流量轨迹识别页面。其结论取决于可能访问的页面范围、后台活动、网站内容的变化，以及评估是否假定每个被观测页面都属于某个已知集合。在受限实验中达到的准确率，并不能直接证明在不受限的实际流量中也能达到同样的准确率。\n\n压缩可能产生一种影响尤为显著的长度信道。如果秘密信息与受攻击者影响的文本被一起压缩，重复文本就可能改变压缩输出的长度。加密可以隐藏输出的字节内容，却仍留下攻击者的猜测与输出长度之间可观测的关系。2012 年披露的 CRIME 攻击涉及加密连接中的压缩；2013 年披露的 BREACH 攻击则针对 HTTP 响应压缩，利用秘密信息与受攻击者影响的内容同时出现的情形。这些攻击的机制说明，对压缩后的消息进行加密，并不会自动隐藏其明文内部的关系。\n\n协议的错误行为会造成另一类相关的信息泄露。填充预言机会泄露解密后的数据是否满足填充条件，攻击者可能通过反复查询恢复信息。如果这种差异明确体现在错误消息中，那么它属于非预期的协议输出，而不一定是物理侧信道。如果这种差异仅体现在执行时间上，就构成了时序信道。2013 年公布的 Lucky Thirteen 攻击表明，传输层安全协议中 CBC 模式记录处理过程的细微时间差异也至关重要。\n\n针对远程攻击的防御措施必须与可观测的信息相匹配。消除可区分的错误，并不一定能使处理时间一致。只要仍能进行重复测量，添加随机延迟就无法可靠地消除系统性差异。填充可以减少长度信息的泄露，却可能仍然留下时序和消息数量信息。同样，安全传输也不会隐藏端点的处理行为。因此，分析时应区分消息机密性、流量机密性和实现层面的抗时序攻击能力，而不能将它们视为加密带来的、可以相互替代的安全保障。"
    },
    {
      "heading": "声学、光学与基于机器学习的推断信道",
      "text": "侧信道研究并不局限于电功耗和处理器状态。键盘、冷却系统和电子元件都可能发出声音。由于各个按键的位置不同，产生的机械响应也不同，键盘声音中可能包含有关所按键的信息。在适当的录音条件下，统计分类方法可以识别其中的模式。其效果取决于键盘、麦克风、环境、打字行为以及可用的训练数据；在某一种配置下成功演示，并不意味着在所有情况下都能根据声音还原输入内容。\n\n计算活动也会影响电子元件发出的声音。丹尼尔·根金、阿迪·沙米尔和埃兰·特罗默于 2014 年发表的研究表明，可以通过对特定计算机系统进行声学测量来提取 RSA 密钥。相关信号源于电子元件在计算过程中的行为，而非处理器有意产生的音频输出。这项工作说明，具体实现所处的物理环境，可能通过与软件抽象执行模型相去甚远的机制泄露信息。\n\n光学信道包括状态指示灯、显示器以及发射光的变化。如果指示灯的行为与敏感操作紧密耦合，就可能无意间暴露活动信息。在另一些情况下，遭到入侵的软件会有意调制光信号，此时形成的机制属于隐蔽信道，而非被动的侧信道泄漏。通过反射观察显示内容，以及观察可见屏幕，也处于辐射泄漏安全、监视与普通视觉访问的交界地带。如何分类，取决于安全边界原本旨在防止什么。\n\n热效应和频率效应还会形成其他信道。计算会改变功耗和温度，系统可能通过调整时钟频率作出响应。由此引起的性能变化，可以将与数据相关的功耗行为转化为时序差异。2022 年披露的 Hertzbleed 攻击在受影响的系统上展示了这种联系。其重要意义在于：即使软件避免了传统的依赖秘密数据的分支和内存地址访问，仍可能需要分析处理器的动态电源管理行为。实际攻击效果取决于具体实现和硬件，而不只是系统是否具备频率缩放功能。\n\n机器学习工作负载既提供了新的攻击目标，也提供了分析工具。对内存流量、执行时长或加速器活动的观察，可能揭示模型架构或正在处理的输入的某些信息。应将这类针对实现的观察，与仅依据模型预期输出进行的模型反演或成员推断区分开来。神经网络推理可能受到这两类分析的威胁，但二者的前提假设不同。机器学习也可以通过对测量轨迹进行分类来辅助侧信道攻击；此类分类器仍会受到设备差异、过拟合，以及训练条件与部署条件之间的分布偏移的影响。"
    },
    {
      "heading": "跨软件与硬件的防御措施",
      "text": "有效防御的第一步，是明确在特定边界上，哪些秘密信息和可观测量需要关注。对于可被进行物理测量的密码加速器，所需的保护措施不同于易受请求时序攻击的网络服务。而承载彼此不信任租户的通用处理器，又面临另一类问题。因此，防御措施需要分层实施：减少对数据的依赖、将敏感数据的表示随机化、限制共享状态、抑制物理信号泄露，以及限制攻击者的观测机会。\n\n在软件层面，常数时间实现会避免依赖秘密数据的分支、内存索引，以及延迟可能受敏感操作数影响的运算。用适当的算术或位运算替代表查找，可以消除一些重要的缓存侧信道。专用密码指令可以避免某些由软件查表造成的泄露，但并不意味着能够抵御所有物理或微架构攻击。由于编译器对代码的变换可能影响执行时序，安全分析必须考察生成的指令和目标硬件，而不能只看源代码。\n\n掩码技术使用多个随机化份额来表示一个敏感值，使得任何单个份额都无法确定原始值。设计得当的计算会在处理过程中维持这种表示。掩码技术对于抵御功耗和电磁侧信道攻击尤为重要，但非预期的电路行为可能使多个份额发生组合，重新引入泄露。硬件毛刺、寄存器复用，以及对多个中间值的联合观测，都会增加实现的复杂性。盲化与此相关，但通常是指对输入或中间数学值进行随机变换，例如公钥运算中使用的随机变换。\n\n硬件和系统层面的措施旨在减少可观测的耦合效应。例如，平衡电路活动、对电源进行滤波、屏蔽辐射、对缓存进行分区、限制共享内存页，以及在时间或硬件上隔离安全域。这些措施各有局限。滤波可能抑制某些频率分量，却无法消除所有有用信息；缓存分区也无法隔离所有预测器或执行资源。禁用同时多线程可以减少某些跨线程侧信道，但未必能够防止先后执行的任务之间发生信息泄露。\n\n注入噪声、引入随机延迟和降低计时器精度，都可以提高测量成本，但并不等同于消除泄露。独立噪声的影响可能通过重复观测而减弱，攻击者也可能仍能利用其他计时来源。密钥轮换和查询次数限制可以约束攻击者在同一秘密值下收集的信息量，但其作用取决于攻击所需的测量条件。因此，更恰当的理解是：侧信道抵抗能力是一种在明确假设下得到确立的性质，而不是凭借某一种编码技术或某一项硬件特性就能获得的标签。"
    },
    {
      "heading": "评估、保障与未决问题",
      "text": "评估需要区分三个问题：是否存在与信息相关的变化，观察者能否检测到这种变化，以及这种变化能否造成实质性的安全损害。可检测的差异表明，在测试条件下存在信息泄漏，但这并不自动意味着能够高效地恢复密钥。反过来，攻击失败也不能证明不存在泄漏。实验可能使用了不合适的模型，测量次数过少，仪器带宽不足，或者所用秘密值未能触发相关行为。\n\n统计泄漏测试会比较不同输入类别或秘密值类别下的观测结果。测试向量泄漏评估通常使用统计检验，包括 Welch \\(t\\) 检验，来识别不同迹线样本群体之间的差异。这类测试无须实现完整的攻击，因此是有用的初步筛查工具。不过，其结论仍然取决于测试设计和所测量的特征。未检测到均值差异，并不能排除方差、多个采样点的组合或概率分布其他方面存在泄漏。\n\n面向攻击的评估衡量的是实际效果，例如秘密值恢复的成功率、所需观测次数、计算成本，以及在不同设备上的表现。必须谨慎地将建模迹线与评估迹线分开，以免得出过于乐观的结果。在某一设备、会话或运行条件下获得的测量结果，未必能代表其他情况。对于基于分类的攻击，符合实际的评估还应考虑未知类别和变化的环境，而不能只依赖固定且有利的测试集。报告攻击未能奏效的条件，对于理解攻击的实际适用边界十分重要。\n\n形式验证提供了互补的保障手段。非干扰性质可以表述为：除通过允许的输出外，改变秘密值不会改变攻击者可见的观测结果。常数时间验证通常会比较不同秘密值下的执行过程，同时跟踪分支和内存访问。这类证明在其模型范围内很有力，但模型的选择至关重要：如果证明没有涵盖功耗、推测执行或可变指令时序，就无法据此认定系统能够抵御针对这些被遗漏的可观测量的攻击。从经过验证的源代码转换为可执行代码，还会引入额外的验证义务。\n\n组合安全性仍然是一个核心研究问题。单独看来安全的组件，可能通过共享缓存、操作系统调度、频率管理或协议行为相互影响。硬件修订可能改变指令的执行时序；编译器更新可能改变指令序列；应用程序的改动可能引入由压缩导致的长度信息泄漏。ISO/IEC 17825 等标准提供了测试密码模块对非侵入式攻击缓解能力的方法，但任何评估都有其界定的范围。持续存在的技术挑战，是将精确的实现模型、符合实际的攻击者能力，以及在软硬件不断演进时仍有意义的证据联系起来。"
    }
  ],
  "links": [
    "algorithm",
    "cryptography",
    "cybersecurity",
    "timing-attack",
    "rsa-cryptosystem",
    "central-processing-unit",
    "internet",
    "power-analysis",
    "machine-learning",
    "operating-system",
    "virtual-machine",
    "cpu-cache",
    "memory-hierarchy",
    "advanced-encryption-standard",
    "cloud-computing",
    "virtualization",
    "speculative-execution",
    "spectre",
    "encryption",
    "metadata",
    "transport-layer-security",
    "neural-network-inference",
    "distribution-shift",
    "compiler",
    "probability-distribution",
    "formal-verification"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}